本發(fā)明涉及農(nóng)業(yè)牲畜養(yǎng)殖自動(dòng)化裝備的技術(shù)領(lǐng)域，具體涉及基于can現(xiàn)場總線的雞舍環(huán)境溫度智能監(jiān)測(cè)系統(tǒng)。

背景技術(shù)：

雞舍的溫度是影響肉仔雞生長發(fā)育的一個(gè)重要環(huán)境因素，溫度的控制是否得當(dāng)直接關(guān)系到肉仔雞的生長。肉雞飼養(yǎng)前期個(gè)體小，絨毛稀、體溫調(diào)節(jié)能力差，對(duì)環(huán)境溫度的變化十分敏感。只有為其創(chuàng)造一個(gè)適宜的溫度環(huán)境，才能能獲得較高的成活率、增重速度和飼料報(bào)酬。因此，在肉仔雞的整個(gè)飼養(yǎng)期內(nèi)都要注意對(duì)雞舍溫度的控制。對(duì)肉雞和蛋雞的生產(chǎn)過程來說，雞舍的溫度控制最為關(guān)鍵。在每年夏季高熱天氣情況下，當(dāng)溫度在27℃以上時(shí)就會(huì)使得雞群產(chǎn)生不利的應(yīng)激反應(yīng)。熱應(yīng)激反應(yīng)會(huì)對(duì)雞群的新陳代謝產(chǎn)生影響，使得雞的采食量降低，影響肉和蛋的轉(zhuǎn)化。嚴(yán)重時(shí)會(huì)直接引起各種疾病，進(jìn)而導(dǎo)致雞群死亡。在影響產(chǎn)蛋雞生產(chǎn)性能的諸多因素中，雞舍環(huán)境溫度最為突出。每年夏季高溫天氣，當(dāng)雞舍溫度持續(xù)超過27℃時(shí)便會(huì)不同程度地產(chǎn)生熱應(yīng)激。熱應(yīng)激狀態(tài)影響產(chǎn)蛋雞的采食量和營養(yǎng)物質(zhì)代謝等生理機(jī)能，進(jìn)而影響產(chǎn)蛋雞的健康及其生產(chǎn)性能，甚至導(dǎo)致發(fā)病或成批地死亡。如何有效地搞好雞舍的降溫工作，為產(chǎn)蛋雞群創(chuàng)造適宜的生活環(huán)境，盡可能地減少或避免由于雞舍溫度過高造成的不必要損失，是夏季產(chǎn)蛋雞生產(chǎn)取得較好經(jīng)濟(jì)效益的關(guān)鍵。因此，搞好雞舍的降溫工作能夠保證產(chǎn)出，提高肉和蛋的產(chǎn)量，使家禽養(yǎng)殖持續(xù)穩(wěn)定地創(chuàng)造經(jīng)濟(jì)效益。適宜溫度不僅能使雞群健康成長，而且提高經(jīng)濟(jì)效益，最大程度地發(fā)揮生產(chǎn)性能。溫度低時(shí)會(huì)導(dǎo)致雞群采食量增多，從而增加生產(chǎn)成本，也可能導(dǎo)致腹瀉、誘發(fā)呼吸道疾病。不論哪一種情況，都可能嚴(yán)重影響雞群的健康成長。溫度過高時(shí)，會(huì)顯著抑制雞群的食欲，尤其當(dāng)溫度超過40℃時(shí)，會(huì)導(dǎo)致雞的死亡。高溫也會(huì)引起產(chǎn)蛋量的下降，軟殼蛋增多，高溫也會(huì)使得精液稀薄，精子數(shù)量變少且沒有活力，進(jìn)而影響受精率。高溫也會(huì)直接影響飼料的保質(zhì)期，降低經(jīng)濟(jì)效益。肉仔雞在適宜溫度環(huán)境中,能獲得較高的成活率增重速度和飼料報(bào)酬。溫度適宜時(shí),雛雞在室內(nèi)散布均勻、活潑好動(dòng)、羽毛光順、緊貼體表,睡眠時(shí)較為安靜,吃食時(shí)爭先恐后。溫度太低時(shí),雛雞就會(huì)出現(xiàn)低溫表現(xiàn),雛雞擁擠于熱源附近或某角落,羽毛蓬松,精神萎頓，發(fā)出連續(xù)不斷的叫聲。這樣時(shí)間長了,容易引起雛雞感冒或被壓死。必須立即加溫,并驅(qū)散擠堆雛雞。溫度過高時(shí),雛雞遠(yuǎn)離熱源,展翅爬臥,張口喘氣,爭相喝水,飲水器內(nèi)常常無水,絨毛卻濕了。時(shí)間長了,會(huì)使雛雞體質(zhì)衰弱,生長受阻,甚至熱死。溫度過高時(shí)要逐漸降溫,但要注意,驟然降溫會(huì)引起感冒。隨著我國蛋雞養(yǎng)殖行業(yè)的快速發(fā)展及蛋雞單棟飼養(yǎng)量的不斷增加，我國的雞舍類型由最初的開放式雞舍基本轉(zhuǎn)變?yōu)槊荛]式雞舍，實(shí)現(xiàn)了雞舍內(nèi)環(huán)境的人為控制，擺脫了雞生產(chǎn)對(duì)外界氣候環(huán)境的依賴，雞舍環(huán)境得到很大程度改善，為蛋雞提供適宜的、相對(duì)穩(wěn)定的生活生產(chǎn)環(huán)境。但是由于雞舍設(shè)計(jì)不合理、設(shè)備落后、控制系統(tǒng)不完善等原因?qū)е旅荛]式雞舍內(nèi)環(huán)境仍存在許多問題，而相對(duì)于春、夏、秋三季，冬季雞舍環(huán)境問題更為突出。密閉式雞舍在冬季存在溫度低、濕度高、氨氣濃度高等問題，并且溫度、濕度和氣流等溫?zé)岘h(huán)境因素是影響動(dòng)物生理機(jī)能、生產(chǎn)性能和健康的關(guān)鍵因素。查凌雁等研究密閉式雞舍冬季環(huán)境特征及其對(duì)產(chǎn)蛋率的影響，韓玉坤研制基于can總線在大型雞舍溫度測(cè)控系統(tǒng)，王進(jìn)圣等研究雞舍環(huán)境控制系統(tǒng)，王歡等研制基于無線傳輸?shù)碾u舍環(huán)境遠(yuǎn)程監(jiān)測(cè)系統(tǒng)，李麗華等設(shè)計(jì)蛋雞個(gè)體生產(chǎn)性能參數(shù)監(jiān)測(cè)裝置，但是這些系統(tǒng)都沒有根據(jù)雞舍環(huán)境溫度變化的非線性、大滯后和雞舍面積大溫度變化復(fù)雜等特點(diǎn)，對(duì)雞舍環(huán)境的溫度進(jìn)行監(jiān)測(cè)與預(yù)測(cè)，從而極大的影響雞舍環(huán)境溫度的調(diào)控。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了基于can現(xiàn)場總線的雞舍環(huán)境溫度智能監(jiān)測(cè)系統(tǒng)，本發(fā)明不但有效解決了傳統(tǒng)雞舍環(huán)境由于設(shè)計(jì)不合理、設(shè)備落后、控制系統(tǒng)不完善等原因?qū)е旅荛]式雞舍內(nèi)環(huán)境仍存在許多問題，而且有效解決了現(xiàn)有的雞舍環(huán)境監(jiān)測(cè)系統(tǒng)，沒有根據(jù)雞舍環(huán)境溫度變化的非線性、大滯后和雞舍面積大溫度變化復(fù)雜等特點(diǎn)，對(duì)雞舍環(huán)境的溫度進(jìn)行監(jiān)測(cè)與預(yù)測(cè)，從而極大的影響雞舍環(huán)境溫度的調(diào)控問題。

本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：

基于can現(xiàn)場總線的雞舍環(huán)境溫度智能監(jiān)測(cè)系統(tǒng)，其特征在于：所述溫度智能監(jiān)測(cè)系統(tǒng)由基于can現(xiàn)場總線的雞舍環(huán)境參數(shù)采集與智能預(yù)測(cè)平臺(tái)、雞舍環(huán)境多點(diǎn)溫度融合模型和雞舍環(huán)境溫度智能預(yù)測(cè)模型三部分組成,基于can現(xiàn)場總線的雞舍環(huán)境參數(shù)采集與智能預(yù)測(cè)平臺(tái)實(shí)現(xiàn)對(duì)雞舍環(huán)境因子參數(shù)進(jìn)行監(jiān)測(cè)、調(diào)節(jié)和監(jiān)控，雞舍環(huán)境多點(diǎn)溫度融合模型基于雞舍環(huán)境多點(diǎn)溫度傳感器的區(qū)間數(shù)值的相似度矩陣與灰色關(guān)聯(lián)度矩陣求得的相似度融合權(quán)重、灰色關(guān)聯(lián)度融合權(quán)重和均方根組合權(quán)重實(shí)現(xiàn)對(duì)雞舍環(huán)境多點(diǎn)檢測(cè)點(diǎn)的溫度值進(jìn)行精確融合，雞舍環(huán)境溫度智能預(yù)測(cè)模型包括遞歸模糊神經(jīng)網(wǎng)絡(luò)模型(hrfnn)、自回歸積分滑動(dòng)平均模型(arima)和小波神經(jīng)網(wǎng)絡(luò)模型和粒子群算法(pso)優(yōu)化小波神經(jīng)網(wǎng)絡(luò)模型組成實(shí)現(xiàn)對(duì)雞舍環(huán)境溫度智能預(yù)測(cè)。

本發(fā)明進(jìn)一步技術(shù)改進(jìn)方案是：

所述基于can現(xiàn)場總線的雞舍環(huán)境參數(shù)采集與智能預(yù)測(cè)平臺(tái)由檢測(cè)節(jié)點(diǎn)、控制節(jié)點(diǎn)和現(xiàn)場監(jiān)控端組成，它們通過can現(xiàn)場總線構(gòu)建成雞舍環(huán)境參數(shù)采集與智能預(yù)測(cè)平臺(tái)。檢測(cè)節(jié)點(diǎn)分別由傳感器組模塊、單片機(jī)和通信模塊組成，傳感器組模塊負(fù)責(zé)檢測(cè)雞舍環(huán)境的溫度、濕度、風(fēng)速和有害氣體等雞舍小氣候環(huán)境參數(shù)，由單片機(jī)控制采樣間隔并通過通信模塊發(fā)送給現(xiàn)場監(jiān)控端；控制節(jié)點(diǎn)實(shí)現(xiàn)對(duì)雞舍環(huán)境參數(shù)的調(diào)節(jié)設(shè)備進(jìn)行控制；現(xiàn)場監(jiān)控端由一臺(tái)工業(yè)控制計(jì)算機(jī)和rs232/can通信模塊組成，實(shí)現(xiàn)對(duì)檢測(cè)節(jié)點(diǎn)檢測(cè)雞舍環(huán)境參數(shù)進(jìn)行管理和對(duì)雞舍環(huán)境多點(diǎn)溫度進(jìn)行融合與智能預(yù)測(cè)?；赾an現(xiàn)場總線的雞舍環(huán)境參數(shù)采集與智能預(yù)測(cè)平臺(tái)見圖1所示。

本發(fā)明進(jìn)一步技術(shù)改進(jìn)方案是：

通過把雞舍環(huán)境各個(gè)時(shí)段檢測(cè)點(diǎn)溫度傳感器值轉(zhuǎn)化為區(qū)間糊數(shù)，定義區(qū)間數(shù)的相似度和灰色關(guān)聯(lián)度，構(gòu)建相似度矩陣和灰色關(guān)聯(lián)度矩陣，求得雞舍環(huán)境各個(gè)檢測(cè)點(diǎn)溫度傳感器值的相似度融合權(quán)重和灰色關(guān)聯(lián)度融合權(quán)重，基于信息熵原理和兩種融合權(quán)重求得雞舍環(huán)境多點(diǎn)溫度傳感器值融合的組合權(quán)重，雞舍環(huán)境各個(gè)檢測(cè)點(diǎn)溫度傳感器值與各自溫度傳感器值融合的組合權(quán)重積的相加和為雞舍環(huán)境多個(gè)檢測(cè)點(diǎn)溫度融合模型的值，該組合權(quán)重既考慮了不同檢測(cè)點(diǎn)溫度傳感器的區(qū)間數(shù)值之間相似度，也考慮了不同檢測(cè)點(diǎn)溫度傳感器的區(qū)間數(shù)值之間的關(guān)聯(lián)度，提高了雞舍環(huán)境多點(diǎn)溫度傳感器值融合精度。具體方法見圖2上半部分。

本發(fā)明進(jìn)一步技術(shù)改進(jìn)方案是：

針對(duì)雞舍環(huán)境溫度的非線性、大滯后和變化復(fù)雜較難預(yù)測(cè)的難題，提出了基于遞歸模糊神經(jīng)網(wǎng)絡(luò)模型、自回歸積分滑動(dòng)平均模型(arima)和小波神經(jīng)網(wǎng)絡(luò)模型三種方法建立單項(xiàng)預(yù)測(cè)雞舍環(huán)境溫度的子模型，應(yīng)用粒子群優(yōu)化算法小波神經(jīng)網(wǎng)絡(luò)組合模型作為最優(yōu)非線性組合模型的逼近器，構(gòu)建預(yù)測(cè)雞舍環(huán)境溫度的組合預(yù)測(cè)模型，一個(gè)時(shí)延段的雞舍環(huán)境多點(diǎn)溫度融合模型的輸出作為三個(gè)單項(xiàng)子模型的輸入，三個(gè)子模型預(yù)測(cè)值的輸出作為組合模型的輸入，實(shí)現(xiàn)對(duì)單項(xiàng)預(yù)測(cè)子模型結(jié)果的融合作為雞舍環(huán)境溫度的預(yù)測(cè)值，預(yù)測(cè)試驗(yàn)結(jié)果表明，該組合預(yù)測(cè)是選用多種方法對(duì)同一對(duì)象進(jìn)行預(yù)測(cè)，它可以更大化地利用多種單一預(yù)測(cè)子模型信息，實(shí)現(xiàn)預(yù)測(cè)信息之間的互補(bǔ)，提高了組合預(yù)測(cè)模型的魯棒性，通過組合模型對(duì)多個(gè)子模型預(yù)測(cè)結(jié)果進(jìn)行融合，實(shí)現(xiàn)了多種預(yù)測(cè)方法的綜合應(yīng)用，相對(duì)單一的預(yù)測(cè)方法，該組合預(yù)測(cè)結(jié)果更科學(xué)和準(zhǔn)確。具體方法見圖2下部分。

本發(fā)明與現(xiàn)有技術(shù)相比，具有以下明顯優(yōu)點(diǎn)：

一、本發(fā)明針對(duì)溫度傳感網(wǎng)絡(luò)測(cè)量雞舍環(huán)境溫度過程中，傳感器精度誤差、干擾和測(cè)量溫度值異常等問題存在的不確定性和隨機(jī)性，本發(fā)明專利將雞舍環(huán)境溫度傳感器測(cè)量的溫度值用區(qū)間數(shù)形式表示，有效地處理了雞舍環(huán)境溫度傳感器測(cè)量參數(shù)的模糊性和不確定性，提高了雞舍環(huán)境溫度傳感器值融合值的客觀性和可信度。

二、本發(fā)明把雞舍環(huán)境溫度參數(shù)轉(zhuǎn)化為區(qū)間數(shù)形式，定義兩兩區(qū)間數(shù)的相似度，構(gòu)建相似度矩陣，根據(jù)雞舍環(huán)境每個(gè)檢測(cè)點(diǎn)溫度傳感器區(qū)間數(shù)的相似度占整個(gè)雞舍環(huán)境溫度傳感器的溫度傳感器區(qū)間數(shù)相似度和的比為該檢測(cè)點(diǎn)溫度傳感器值的相似度融合權(quán)重βi，提高了雞舍環(huán)境溫度融合值的精確性和科學(xué)性。

三、本發(fā)明把雞舍環(huán)境溫度參數(shù)轉(zhuǎn)化為區(qū)間數(shù)形式，定義雞舍環(huán)境每個(gè)檢測(cè)點(diǎn)溫度傳感器區(qū)間數(shù)與該時(shí)刻雞舍環(huán)境溫度傳感器極大和極小區(qū)間數(shù)值的灰色關(guān)聯(lián)度，分別構(gòu)建每個(gè)檢測(cè)點(diǎn)溫度傳感器區(qū)間值與極大值和極小值的灰色關(guān)聯(lián)度矩陣，根據(jù)每個(gè)檢測(cè)點(diǎn)溫度傳感器值的兩種平均關(guān)聯(lián)度積的倒數(shù)占整個(gè)雞舍環(huán)境檢測(cè)點(diǎn)溫度傳感器值的兩種平均關(guān)聯(lián)度積的倒數(shù)和的比為該檢測(cè)點(diǎn)溫度傳感器值的灰色關(guān)聯(lián)度融合權(quán)重αi，提高了雞舍環(huán)境溫度融合值的精確性和科學(xué)性。

四、本發(fā)明根據(jù)最小相對(duì)信息熵原理，組合權(quán)重wi與αi和βi都應(yīng)盡可能接近，根據(jù)每個(gè)檢測(cè)點(diǎn)的兩種權(quán)重αi與βi積的均方根占整個(gè)雞舍環(huán)境溫度傳感器的兩種權(quán)重積的均方根和的比為該檢測(cè)點(diǎn)溫度傳感器值融合的組合權(quán)重，該組合權(quán)重既考慮了該檢測(cè)點(diǎn)溫度傳感器值的相似度融合權(quán)重βi，也考慮了該檢測(cè)點(diǎn)溫度傳感器值的灰色關(guān)聯(lián)度融合權(quán)重αi，該組合權(quán)重提高雞舍環(huán)境溫度融合值的精確性、可靠性和科學(xué)性，雞舍環(huán)境溫度融合值更加反映雞舍環(huán)境溫度值的真實(shí)性。

五、本發(fā)明針對(duì)雞舍環(huán)境溫度參數(shù)的時(shí)變性、大滯后和非線性等難以準(zhǔn)確在線測(cè)量，提出了一種改進(jìn)型的模糊遞歸神經(jīng)網(wǎng)絡(luò)(hrfnn)用來預(yù)測(cè)雞舍溫度參數(shù)的變化，通過在網(wǎng)絡(luò)第三層加入含有內(nèi)部變量的反饋連接來實(shí)現(xiàn)輸出信息的反饋。實(shí)驗(yàn)結(jié)果表明，與其他模糊神經(jīng)網(wǎng)絡(luò)相比，該網(wǎng)絡(luò)的規(guī)模小、精度高，處理動(dòng)態(tài)信息的能力明顯加強(qiáng)。

六、本發(fā)明采用hrfnn網(wǎng)絡(luò)結(jié)構(gòu)通過在模糊規(guī)則層引入內(nèi)部變量，使靜態(tài)網(wǎng)絡(luò)具有動(dòng)態(tài)特性；網(wǎng)絡(luò)在k時(shí)刻每條規(guī)則的激活度不僅包括由當(dāng)前輸入計(jì)算得出的激活度值，而且包括前一時(shí)刻所有規(guī)則激活度值的貢獻(xiàn)，因此提高了網(wǎng)絡(luò)辨識(shí)的準(zhǔn)確性，可以較好地完成雞舍溫度的動(dòng)態(tài)辨識(shí)。模糊遞歸神網(wǎng)絡(luò)來建立雞舍環(huán)境溫度的預(yù)測(cè)模型，它是一種典型的動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò),其反饋連接由一組“結(jié)構(gòu)”單元組成,用于記憶隱層過去的狀態(tài),并且在下一時(shí)刻連同網(wǎng)絡(luò)輸入一起作為隱層單元的輸入,這一性質(zhì)使得部分遞歸網(wǎng)絡(luò)具有動(dòng)態(tài)記憶功能,從而適合用來建立時(shí)間序列雞舍環(huán)境溫度的預(yù)測(cè)模型，仿真實(shí)驗(yàn)表明該模型動(dòng)態(tài)性能好，預(yù)測(cè)精度高，預(yù)測(cè)性能穩(wěn)定。

七、本發(fā)明基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)模型,具有結(jié)構(gòu)穩(wěn)定,算法簡單,全局搜索能力強(qiáng),收斂速度快,泛化能力強(qiáng)等優(yōu)點(diǎn),該網(wǎng)絡(luò)能很好地預(yù)測(cè)雞舍環(huán)境非線性和大滯后變化的溫度。對(duì)雞舍環(huán)境的溫度進(jìn)行預(yù)測(cè)90個(gè)樣本進(jìn)行訓(xùn)練,預(yù)測(cè)正確率達(dá)到97％。表明應(yīng)用小波神經(jīng)網(wǎng)絡(luò)能很好地預(yù)測(cè)雞舍溫度值，提出了一種收斂速度快,識(shí)別精度高,成本低的模型,具有十分重要的意義。避免了bp網(wǎng)絡(luò)在結(jié)構(gòu)設(shè)計(jì)的盲目性，網(wǎng)絡(luò)權(quán)系數(shù)線性分布和學(xué)習(xí)目標(biāo)函數(shù)的凸性,使網(wǎng)絡(luò)的訓(xùn)練過程從根本上避免了局部最優(yōu)化等問題，算法概念簡單,收斂速度快，有較強(qiáng)的函數(shù)學(xué)習(xí)能力,可以高精度逼近任意非線性函數(shù)。

八、本發(fā)明采用粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò),避免了梯度下降法中要求激活函數(shù)可微,以及對(duì)函數(shù)求導(dǎo)的過程計(jì)算,并且各個(gè)粒子搜索時(shí)迭代公式簡單,因而計(jì)算速度又比梯度下降法快得多。而且通過對(duì)迭代公式中參數(shù)的調(diào)整,還能很好地跳出局部極值，進(jìn)行全局尋優(yōu),簡單有效地提高了網(wǎng)絡(luò)的訓(xùn)練速度?；诹Ｗ尤簝?yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)模型的識(shí)別正確率更高,誤差更小,收斂速度更快,泛化能力更強(qiáng)。這表明基于小波神經(jīng)網(wǎng)絡(luò)的雞舍環(huán)境溫度預(yù)測(cè)模型預(yù)測(cè)效果較好,基于粒子群算法的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)雞舍溫度方法收斂的速度和精度明顯優(yōu)于bp方法。實(shí)例分析表明：與單獨(dú)使用小波神經(jīng)網(wǎng)絡(luò)相比，組合預(yù)測(cè)模型的預(yù)測(cè)精度提高了5-7倍；通過粒子群算法對(duì)小波神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)優(yōu)化，可以提高組合預(yù)測(cè)模型的預(yù)測(cè)穩(wěn)定性?；诹Ｗ尤簝?yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)(pso-wnn)組合預(yù)測(cè)模型。以小波函數(shù)作為隱含層的激勵(lì)函數(shù),采用粒子群優(yōu)化算法,對(duì)權(quán)值、伸縮參數(shù)、平移參數(shù)進(jìn)行調(diào)整,構(gòu)建出基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型。該模型具有算法簡單、結(jié)構(gòu)穩(wěn)定、計(jì)算收斂速度快、全局尋優(yōu)能力強(qiáng)、識(shí)別精度高、泛化能力強(qiáng)的優(yōu)點(diǎn)。

九、本發(fā)明采用arima模型預(yù)測(cè)雞舍環(huán)境溫度整合了雞舍溫度變化的趨勢(shì)因素、周期因素和隨機(jī)誤差等因素的原始時(shí)間序列變量，通過差分?jǐn)?shù)據(jù)轉(zhuǎn)換等方法將非平穩(wěn)序列轉(zhuǎn)變?yōu)榱憔档钠椒€(wěn)隨機(jī)序列，通過反復(fù)識(shí)別和模型診斷比較并選擇理想的模型進(jìn)行雞舍環(huán)境溫度數(shù)據(jù)擬合和預(yù)測(cè)。該方法結(jié)合了自回歸和移動(dòng)平均方法的長處，具有不受數(shù)據(jù)類型束縛和適用性強(qiáng)的特點(diǎn)，是一種對(duì)雞舍環(huán)境溫度進(jìn)行短期預(yù)測(cè)效果較好的模型。

十、本發(fā)明不同單一預(yù)測(cè)方法進(jìn)行組合時(shí),不同的組合對(duì)預(yù)測(cè)精度影響較大。當(dāng)單一方法預(yù)測(cè)誤差之間存在較強(qiáng)的負(fù)相關(guān)關(guān)系時(shí),則組合預(yù)測(cè)精度將明顯提高；當(dāng)單一方法預(yù)測(cè)誤差之間存在較強(qiáng)的正相關(guān)關(guān)系時(shí),則組合預(yù)測(cè)精度將改進(jìn)較小。預(yù)測(cè)結(jié)果表明,組合預(yù)測(cè)精度均高于單一預(yù)測(cè)方法的精度,當(dāng)單一模型預(yù)測(cè)誤差之間存在較強(qiáng)的負(fù)相關(guān)與正相關(guān)關(guān)系時(shí),組合預(yù)測(cè)改進(jìn)明顯，提高組合預(yù)測(cè)精度。

十一、本發(fā)明基于遞歸模糊神經(jīng)網(wǎng)絡(luò)模型、自回歸積分滑動(dòng)平均模型(arima)和小波神經(jīng)網(wǎng)絡(luò)模型三種方法建立單項(xiàng)預(yù)測(cè)子模型，提出用粒子群優(yōu)化算法小波神經(jīng)網(wǎng)絡(luò)組合模型作為最優(yōu)非線性組合模型的逼近器，建立組合預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)單項(xiàng)預(yù)測(cè)子模型結(jié)果的融合，通過matlab平臺(tái)對(duì)雞舍溫度進(jìn)行預(yù)測(cè)，結(jié)果表明，該種組合預(yù)測(cè)是選用多種方法對(duì)同一對(duì)象進(jìn)行預(yù)測(cè)，它可以更大化地利用多種單一預(yù)測(cè)方法信息，實(shí)現(xiàn)預(yù)測(cè)信息之間的互補(bǔ)，提高了組合預(yù)測(cè)模型的魯棒性，實(shí)現(xiàn)了多種方法的預(yù)測(cè)結(jié)果進(jìn)行融合，相對(duì)單一的預(yù)測(cè)方法，預(yù)測(cè)結(jié)果更科學(xué)和準(zhǔn)確。

附圖說明

圖1為基于can現(xiàn)場總線的雞舍環(huán)境參數(shù)采集與智能預(yù)測(cè)平臺(tái)；

圖2為雞舍環(huán)境多點(diǎn)溫度融合模型和雞舍環(huán)境溫度智能預(yù)測(cè)模型；

圖3為檢測(cè)節(jié)點(diǎn)功能圖；

圖4為控制節(jié)點(diǎn)功能圖；

圖5為現(xiàn)場監(jiān)控端軟件功能圖；

圖6為雞舍環(huán)境參數(shù)采集與智能預(yù)測(cè)平臺(tái)平面布置圖。

具體實(shí)施方式

1、系統(tǒng)總體功能的設(shè)計(jì)

本發(fā)明專利設(shè)計(jì)了一種基于can現(xiàn)場總線的雞舍環(huán)境溫度智能監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)對(duì)雞舍環(huán)境因子參數(shù)進(jìn)行檢測(cè)、雞舍環(huán)境多點(diǎn)溫度融合和雞舍環(huán)境溫度智能預(yù)測(cè)，該系統(tǒng)由基于can現(xiàn)場總線的雞舍環(huán)境參數(shù)采集與智能預(yù)測(cè)平臺(tái)、雞舍環(huán)境溫度多點(diǎn)融合模型和雞舍環(huán)境溫度智能預(yù)測(cè)模型3部分組成。基于can現(xiàn)場總線的雞舍環(huán)境參數(shù)采集與智能預(yù)測(cè)平臺(tái)包括雞舍環(huán)境參數(shù)的檢測(cè)節(jié)點(diǎn)1和調(diào)節(jié)雞舍環(huán)境參數(shù)的控制節(jié)點(diǎn)2，通過can現(xiàn)場總線方式構(gòu)建成測(cè)控網(wǎng)絡(luò)來實(shí)現(xiàn)檢測(cè)節(jié)點(diǎn)1、控制節(jié)點(diǎn)2和現(xiàn)場監(jiān)控端3之間的現(xiàn)場通信；檢測(cè)節(jié)點(diǎn)1將檢測(cè)的雞舍環(huán)境參數(shù)發(fā)送給現(xiàn)場監(jiān)控端3并對(duì)傳感器數(shù)據(jù)進(jìn)行初步處理；現(xiàn)場監(jiān)控端3把控制信息傳輸?shù)綑z測(cè)節(jié)點(diǎn)1和控制節(jié)點(diǎn)2。整個(gè)系統(tǒng)結(jié)構(gòu)見圖1所示。

2、檢測(cè)節(jié)點(diǎn)的設(shè)計(jì)

采用基于can現(xiàn)場總線的檢測(cè)節(jié)點(diǎn)1作為雞舍環(huán)境參數(shù)感知終端，檢測(cè)節(jié)點(diǎn)1和控制節(jié)點(diǎn)2通過can現(xiàn)場總線方式實(shí)現(xiàn)與現(xiàn)場監(jiān)控端3之間的信息相互交互。檢測(cè)節(jié)點(diǎn)1包括采集雞舍環(huán)境溫度、濕度、風(fēng)速和有害氣體參數(shù)的傳感器和對(duì)應(yīng)的信號(hào)調(diào)理電路、stc89c52rc微處理器；檢測(cè)節(jié)點(diǎn)的軟件主要實(shí)現(xiàn)現(xiàn)場總線通信和雞舍環(huán)境參數(shù)的采集與預(yù)處理。軟件采用c語言程序設(shè)計(jì)，兼容程度高，大大提高了軟件設(shè)計(jì)開發(fā)的工作效率，增強(qiáng)了程序代碼的可靠性、可讀性和可移植性。檢測(cè)節(jié)點(diǎn)結(jié)構(gòu)見圖3。

3、控制節(jié)點(diǎn)

控制節(jié)點(diǎn)2在輸出通路設(shè)計(jì)了4路d/a轉(zhuǎn)換電路實(shí)現(xiàn)對(duì)溫度、濕度、風(fēng)速和有害氣體的調(diào)節(jié)輸出量控制電路、stc89c52rc微處理器和無線通信模塊接口，實(shí)現(xiàn)對(duì)雞舍環(huán)境控制設(shè)備進(jìn)行控制，控制節(jié)點(diǎn)見圖4。

4、現(xiàn)場監(jiān)控端軟件

現(xiàn)場監(jiān)控端3是一臺(tái)工業(yè)控制計(jì)算機(jī)，現(xiàn)場監(jiān)控端3主要實(shí)現(xiàn)對(duì)雞舍環(huán)境參數(shù)進(jìn)行采集、多點(diǎn)溫度融合和雞舍環(huán)境溫度預(yù)測(cè)，實(shí)現(xiàn)與檢測(cè)節(jié)點(diǎn)1與控制節(jié)點(diǎn)2的信息交互，現(xiàn)場監(jiān)控端3主要功能為通信參數(shù)設(shè)置、數(shù)據(jù)分析與數(shù)據(jù)管理、雞舍環(huán)境多點(diǎn)溫度融合和雞舍溫度智能預(yù)測(cè)。該管理軟件選擇了microsoftvisual++6.0作為開發(fā)工具，調(diào)用系統(tǒng)的mscomm通信控件來設(shè)計(jì)通訊程序，現(xiàn)場監(jiān)控端軟件功能見圖5。

⑴、雞舍環(huán)境多點(diǎn)溫度融合模型

①、雞舍環(huán)境溫度傳感器值的轉(zhuǎn)化為區(qū)間數(shù)

設(shè)雞舍有m個(gè)傳感器均衡布置于雞舍環(huán)境中實(shí)現(xiàn)對(duì)雞舍溫度進(jìn)行檢測(cè)，每個(gè)溫度傳感器每一段時(shí)刻監(jiān)測(cè)的溫度構(gòu)成一個(gè)區(qū)間數(shù)，m個(gè)傳感器在k(1，2，…n)時(shí)段構(gòu)成的溫度矩陣如1式所示。

②、基于灰色關(guān)聯(lián)度的雞舍溫度傳感器值的灰色關(guān)聯(lián)度融合權(quán)重αi的求取

a、定義雞舍環(huán)境溫度傳感器值的灰色關(guān)聯(lián)度

計(jì)算每個(gè)傳感器在k時(shí)段與m個(gè)傳感器在每個(gè)k(1，2，…n)時(shí)段極大溫度值的關(guān)聯(lián)度，定義如下公式：

b、構(gòu)建雞舍環(huán)境溫度傳感器值的灰色關(guān)聯(lián)度矩陣

通過計(jì)算每個(gè)傳感器在不同時(shí)段與極大溫度值的灰色關(guān)聯(lián)度，可以構(gòu)建如下的關(guān)聯(lián)度矩陣：

根據(jù)矩陣b可以得到每個(gè)傳感器檢測(cè)溫度值與極大溫度值的平均關(guān)聯(lián)度，如下公式所示：

同理，計(jì)算每個(gè)傳感器在k時(shí)段與m個(gè)傳感器在每個(gè)k(1，2，…n)時(shí)段的極小溫度值的關(guān)聯(lián)度，定義如下公式：

同理，通過計(jì)算每個(gè)傳感器在不同時(shí)段與極小溫度值的灰色關(guān)聯(lián)度，可以構(gòu)建如下的關(guān)聯(lián)度矩陣：

根據(jù)矩陣c可以得到每個(gè)傳感器檢測(cè)溫度值與極小溫度值的平均關(guān)聯(lián)度，如下公式所示：

c、求取雞舍環(huán)境溫度傳感器值的灰色關(guān)聯(lián)度融合權(quán)重

根據(jù)每個(gè)傳感器在不同時(shí)段檢測(cè)溫度值與極大溫度值和極小溫度值的灰色關(guān)聯(lián)度的大小可知，如果關(guān)聯(lián)度越大，該傳感器檢測(cè)雞舍溫度實(shí)際值偏離真實(shí)值越大，因此可以通過下面的公式確定，每個(gè)傳感器在雞舍溫度融合中的權(quán)重，公式如下：

③、基于相似度的雞舍環(huán)境溫度傳感器值的相似度融合權(quán)重βi的求取

a、構(gòu)建雞舍環(huán)境溫度傳感器值的相似度矩陣

根據(jù)任意不同兩個(gè)傳感器在同一時(shí)段檢測(cè)雞舍環(huán)境溫度的相似度，可以構(gòu)建傳感器監(jiān)測(cè)雞舍溫度的相似度矩陣s，s如下所示：

b、定義雞舍環(huán)境溫度傳感器值的相似度

在相似度矩陣中sab表示a和b的相似度，a為a＝[a^l,a^u]和b為b＝[b^l,b^u]，且設(shè)qj(j＝1,2,3,4)為a^l，a^u，b^l，b^u中的第j大的數(shù)，sgn為符號(hào)函數(shù)。矩陣s每行的每個(gè)傳感器的相似度為：

c、求取雞舍環(huán)境溫度傳感器值的相似度融合權(quán)重

根據(jù)每個(gè)傳感器監(jiān)測(cè)雞舍每個(gè)監(jiān)測(cè)點(diǎn)的溫度值的相似度占所有檢測(cè)點(diǎn)傳感器檢測(cè)值的相似度和的比可以確定每個(gè)檢測(cè)點(diǎn)傳感器檢測(cè)溫度值在整個(gè)雞舍溫度值融合中的權(quán)重為：

④、基于最小相對(duì)信息熵原理的組合權(quán)重wi的求取

根據(jù)相似度理論和灰色關(guān)聯(lián)度確定雞舍溫度傳感器參數(shù)融合的權(quán)重αi和βi，組合權(quán)重wi，顯然wi與αi、βi和都應(yīng)盡可能接近，根據(jù)最小相對(duì)信息熵原理有：

用拉格朗日乘子法解上述優(yōu)化問題得：

⑤根據(jù)組合權(quán)重得到雞舍環(huán)境多點(diǎn)溫度融合模型為：

其中k為時(shí)間，i為檢測(cè)點(diǎn)，xi為k時(shí)刻第i個(gè)檢測(cè)點(diǎn)溫度，wi為第i個(gè)檢測(cè)點(diǎn)組合權(quán)重。

⑵、雞舍環(huán)境溫度智能預(yù)測(cè)模型

①、遞歸模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)雞舍環(huán)境溫度設(shè)計(jì)

遞歸模糊神經(jīng)網(wǎng)絡(luò)(hrfnn)是多輸入單輸出的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，網(wǎng)絡(luò)由4層組成：輸入層、成員函數(shù)層、規(guī)則層和輸出層。網(wǎng)絡(luò)包含n個(gè)輸入節(jié)點(diǎn)，其中每個(gè)輸入節(jié)點(diǎn)對(duì)應(yīng)m個(gè)條件節(jié)點(diǎn)，m代表規(guī)則數(shù)，nm個(gè)規(guī)則節(jié)點(diǎn)，1個(gè)輸出節(jié)點(diǎn)。圖中第ⅰ層將輸入引入網(wǎng)絡(luò)；第ⅱ層將輸入模糊化，采用的隸屬函數(shù)為高斯函數(shù)；第ⅲ層對(duì)應(yīng)模糊推理；第ⅳ層對(duì)應(yīng)去模糊化操作。用分別代表第k層的第i個(gè)節(jié)點(diǎn)的輸入和輸出，則網(wǎng)絡(luò)內(nèi)部的信號(hào)傳遞過程和各層之間的輸入輸出關(guān)系可以描述如下。第ⅰ層：輸入層，該層的各輸入節(jié)點(diǎn)直接與輸入變量相連接，網(wǎng)絡(luò)的輸入和輸出表示為：

式中和為網(wǎng)絡(luò)輸入層第i個(gè)節(jié)點(diǎn)的輸入和輸出，n表示迭代的次數(shù)。

第ⅱ層：成員函數(shù)層，該層的節(jié)點(diǎn)將輸入變量進(jìn)行模糊化，每一個(gè)節(jié)點(diǎn)代表一個(gè)隸屬函數(shù)，采用高斯基函數(shù)作為隸屬函數(shù)。網(wǎng)絡(luò)的輸入和輸出表示為：

式中mij和σij分別表示第ⅱ層第i個(gè)語言變量的第j項(xiàng)高斯基函數(shù)的均值中心和寬度值，m為對(duì)應(yīng)輸入節(jié)點(diǎn)的全部語言變量數(shù)。

第ⅲ層：模糊推理層，即規(guī)則層，加入動(dòng)態(tài)反饋，使網(wǎng)絡(luò)具有更好的學(xué)習(xí)效率，反饋環(huán)節(jié)引入內(nèi)部變量hk，選用sigmoid函數(shù)作為反饋環(huán)節(jié)內(nèi)部變量的激活函數(shù)。網(wǎng)絡(luò)的輸入和輸出表示為：

式中ωjk是遞歸部分的連接權(quán)值，該層的神經(jīng)元代表了模糊邏輯規(guī)則的前件部分，該層節(jié)點(diǎn)對(duì)第二層的輸出量和第三層的反饋量進(jìn)行π操作，是第三層的輸出量，m表示完全連接時(shí)的規(guī)則數(shù)。反饋環(huán)節(jié)主要是計(jì)算內(nèi)部變量的值和內(nèi)部變量相應(yīng)隸屬函數(shù)的激活強(qiáng)度。該激活強(qiáng)度與第3層的規(guī)則節(jié)點(diǎn)匹配度相關(guān)。反饋環(huán)節(jié)引入的內(nèi)部變量，包含兩種類型的節(jié)點(diǎn)：承接節(jié)點(diǎn)，反饋節(jié)點(diǎn)。承接節(jié)點(diǎn)，使用加權(quán)求和來計(jì)算內(nèi)部變量，實(shí)現(xiàn)去模糊化的功能；內(nèi)部變量表示的隱藏規(guī)則的模糊推理的結(jié)果。反饋節(jié)點(diǎn)，采用sigmoid函數(shù)作為模糊隸屬度函數(shù)，實(shí)現(xiàn)內(nèi)部變量的模糊化。hrfnn網(wǎng)絡(luò)的隸屬度函數(shù)層使用局部隸屬度函數(shù)，與其不同的是：反饋部分在內(nèi)部變量的論域上采用的是全局隸屬度函數(shù)，用來簡化網(wǎng)絡(luò)結(jié)構(gòu)和實(shí)現(xiàn)全局歷史信息的反饋。承接節(jié)點(diǎn)的個(gè)數(shù)等于反饋節(jié)點(diǎn)的個(gè)數(shù)；承接節(jié)點(diǎn)的個(gè)數(shù)與規(guī)則層節(jié)點(diǎn)的個(gè)數(shù)相等。反饋量連接到第3層，作為模糊規(guī)則層的輸入量，反饋節(jié)點(diǎn)的輸出包含模糊規(guī)則激活強(qiáng)度的歷史信息。

第ⅳ層：去模糊化層，即輸出層。該層節(jié)點(diǎn)對(duì)輸入量進(jìn)行求和操作。網(wǎng)絡(luò)的輸入和輸出表示為：

公式中λj是輸出層的連接權(quán)值。遞歸模糊神經(jīng)網(wǎng)絡(luò)具有逼近高度非線性動(dòng)態(tài)系統(tǒng)的性能，加入內(nèi)部變量的遞歸模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差和測(cè)試誤差分別為明顯減少，該網(wǎng)絡(luò)預(yù)測(cè)效果優(yōu)于帶自反饋遞歸模糊神經(jīng)網(wǎng)絡(luò)和動(dòng)態(tài)建模的模糊神經(jīng)網(wǎng)絡(luò)，這說明加入內(nèi)部變量后網(wǎng)絡(luò)的學(xué)習(xí)能力得到了增強(qiáng)，并且更充分地反映污水處理系統(tǒng)的動(dòng)態(tài)特性。仿真結(jié)果證明了網(wǎng)絡(luò)的有效性。本專利的模糊遞歸神經(jīng)網(wǎng)絡(luò)hrfnn，并采用加入交叉驗(yàn)證的梯度下降算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行訓(xùn)練。使用hrfnn對(duì)雞舍溫度參數(shù)進(jìn)行預(yù)測(cè)。hrfnn通過在反饋環(huán)節(jié)引入內(nèi)部變量，將規(guī)則層的輸出量加權(quán)求和后再反模糊化輸出作為反饋量，并將反饋量與隸屬度函數(shù)層的輸出量一起作為規(guī)則層的下一時(shí)刻的輸入。網(wǎng)絡(luò)輸出包含規(guī)則層激活強(qiáng)度和輸出的歷史信息，增強(qiáng)了hrfnn適應(yīng)非線性動(dòng)態(tài)系統(tǒng)的能力。實(shí)驗(yàn)表明，hrfnn可以準(zhǔn)確地預(yù)測(cè)雞舍溫度參數(shù)。仿真結(jié)果與其他網(wǎng)絡(luò)得到的結(jié)果進(jìn)行比較，本專利方法所建立的模型在應(yīng)用于雞舍溫度預(yù)測(cè)時(shí)網(wǎng)絡(luò)規(guī)模最小，預(yù)測(cè)誤差小，表明了該方法的有效性。

②、自回歸積分滑動(dòng)平均模型(arima)預(yù)測(cè)雞舍環(huán)境溫度設(shè)計(jì)

arima(autoregressiveintegratedmovingaverage)模型是box和jenkins于20世紀(jì)70年代提出的,它將自回歸模型(autoregressive,ar)和滑動(dòng)平均模型(movingaverage,ma)有機(jī)地組合起來,使之成為一種綜合的預(yù)測(cè)方法。作為有效的現(xiàn)代數(shù)據(jù)處理方法之一,它被譽(yù)為時(shí)間序列預(yù)測(cè)方法中最復(fù)雜最高級(jí)的模型,30多年來在眾多領(lǐng)域得到了廣泛的應(yīng)用。在實(shí)際應(yīng)用中,由于原始數(shù)據(jù)序列往往表現(xiàn)出一定的趨勢(shì)或循環(huán)特征,不滿足arma模型對(duì)時(shí)間序列的平穩(wěn)性要求,而取差分是消除數(shù)據(jù)趨勢(shì)性的一種方便和有效的方法?；诓罘趾蟮臄?shù)據(jù)序列建立的模型稱為arima模型,記為{xt}～arima(p,d,q),其中p、q稱為模型的階,d表示差分的次數(shù)。顯然,當(dāng)d為0時(shí),arima模型為arma模型,其定義為:

xt＝b1xt-1+…+bpxt-p+εt+a1εt-1+…+aqεt-q(18)

{xt}為要預(yù)測(cè)雞舍環(huán)境溫度值數(shù)據(jù)序列,{εt}～wn(0，σ²)。

arima模型建立主要包括模型的識(shí)別、參數(shù)估計(jì)和模型診斷。模型預(yù)測(cè)主要包括時(shí)間序列的預(yù)處理和模型參數(shù)的初步定階；模型定階完成之后需要通過時(shí)間序列觀察值并結(jié)合p，d，q值來對(duì)模型中的未知參數(shù)進(jìn)行估計(jì)；模型的診斷主要是針對(duì)整個(gè)模型的顯著性檢驗(yàn)和模型中參數(shù)的顯著性檢驗(yàn)。通常模型的建立是個(gè)不斷優(yōu)化的過程，模型優(yōu)化常用的為aic和bic準(zhǔn)則，即最小信息量準(zhǔn)則其值越小，模型越合適，bic準(zhǔn)則是針對(duì)aic準(zhǔn)則對(duì)大樣本序列的不足所做的改進(jìn)。

③、小波神經(jīng)網(wǎng)絡(luò)模型(wnn)預(yù)測(cè)雞舍環(huán)境溫度設(shè)計(jì)

小波神經(jīng)網(wǎng)絡(luò)wnn(waveletneuralnetworks)是在小波理論基礎(chǔ)上,結(jié)合人工神經(jīng)網(wǎng)絡(luò)而提出的一種前饋型網(wǎng)絡(luò)。它是以小波函數(shù)為神經(jīng)元的激勵(lì)函數(shù),小波的伸縮、平移因子,以及連接權(quán)重,在對(duì)誤差能量函數(shù)的優(yōu)化過程中被自適應(yīng)調(diào)整。設(shè)小波神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)可以表示為一個(gè)雞舍環(huán)境溫度輸入的一維向量xi(i＝1,2,…,n)，輸出信號(hào)表示為yk(k＝1,2,…,m)，小波神經(jīng)網(wǎng)絡(luò)輸出層預(yù)測(cè)值的計(jì)算公式為：

公式中ωij輸入層i節(jié)點(diǎn)和隱含層j節(jié)點(diǎn)間的連接權(quán)值，為小波基函數(shù)，bj為小波基函數(shù)的平移因子，aj小波基函數(shù)的伸縮因子，ωjk為隱含層j節(jié)點(diǎn)和輸出層k節(jié)點(diǎn)間的連接權(quán)值。本專利中的小波神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的修正算法采用梯度修正法來更新網(wǎng)絡(luò)權(quán)值和小波基函數(shù)參數(shù)，從而使小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出。

④、粒子群優(yōu)化算法小波神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測(cè)雞舍環(huán)境溫度設(shè)計(jì)

設(shè)zi1、zi2和zi3分別是多元線性回歸模型、遞歸模糊神經(jīng)網(wǎng)絡(luò)模型、小波神經(jīng)網(wǎng)絡(luò)模型的雞舍溫度預(yù)測(cè)的值，它們作為基于粒子群算法的小波神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型的輸入，輸出作為整個(gè)雞舍環(huán)境溫度的預(yù)測(cè)輸出。小波神經(jīng)網(wǎng)絡(luò)用非線性小波基取代常用的非線性sigmoid函數(shù)，通過線性疊加所選取的非線性小波基來實(shí)現(xiàn)各單一預(yù)測(cè)模型的雞舍環(huán)境溫度的非線性組合。通過采用粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型。采用粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò),避免了梯度下降法中要求激活函數(shù)可微,以及對(duì)函數(shù)求導(dǎo)的過程計(jì)算,并且各個(gè)粒子搜索時(shí)迭代公式簡單,因而計(jì)算速度又比梯度下降法快得多。而且通過對(duì)迭代公式中參數(shù)的調(diào)整,還能很好地跳出局部極值。算法需要初始化一群隨機(jī)粒子,然后通過迭代找到最優(yōu)解。在每一次迭代中,粒子通過跟蹤二個(gè)“極值”來更新自己。第一個(gè)就是粒子本身所找到的最優(yōu)解pbest,這個(gè)解稱為個(gè)體極值；另一個(gè)是整個(gè)種群目前找到的最優(yōu)解,這個(gè)解稱為全局極值gbest。用粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò),就是首先將小波神經(jīng)網(wǎng)絡(luò)的各種參數(shù)列為粒子的位置向量x,將均方誤差能量函數(shù)式設(shè)為用于優(yōu)化的目標(biāo)函數(shù),通過粒子群優(yōu)算法的基本公式進(jìn)行迭代,尋求最優(yōu)解。粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法如下:

a、初始化網(wǎng)絡(luò)結(jié)構(gòu),確定網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)。

b、根據(jù)網(wǎng)絡(luò)結(jié)構(gòu),確定目標(biāo)搜索空間的維數(shù)d。d＝(輸入?yún)?shù)的個(gè)數(shù)+1)×隱含層神經(jīng)元的個(gè)數(shù)+平移參數(shù)的個(gè)數(shù)+伸縮參數(shù)的個(gè)數(shù)。

c、確定微粒個(gè)數(shù)m,設(shè)定相關(guān)參數(shù)。初始化微粒的位置向量和速度向量。

d、將粒子的位置向量和速度向量帶入算法迭代公式進(jìn)行更新,以誤差能量函數(shù)作為目標(biāo)函數(shù)進(jìn)行優(yōu)化計(jì)算。記錄下每個(gè)粒子迄今搜索到的最優(yōu)位置pbest和整個(gè)粒子群迄今搜索到的最優(yōu)位置gbest。

e、)將整個(gè)粒子群迄今搜索到最優(yōu)位置gbest,映射為網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行本學(xué)習(xí),以誤差能量函數(shù)作為粒子的適應(yīng)度進(jìn)行化計(jì)算。

f、若誤差能量函數(shù)值在實(shí)際問題允許的誤范圍內(nèi),則迭代完畢；反之,轉(zhuǎn)回算法繼續(xù)迭代。

5、雞舍環(huán)境溫度智能監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)舉例

根據(jù)雞舍環(huán)境的狀況，系統(tǒng)布置了檢測(cè)節(jié)點(diǎn)1和控制節(jié)點(diǎn)2和現(xiàn)場監(jiān)控端3的平面布置安裝圖，其中檢測(cè)節(jié)點(diǎn)1均衡布置在被檢測(cè)雞舍環(huán)境中，整個(gè)系統(tǒng)平面布置見圖6，通過該系統(tǒng)實(shí)現(xiàn)對(duì)雞舍環(huán)境參數(shù)的采集與雞舍環(huán)境溫度檢測(cè)和智能化預(yù)測(cè)。

本發(fā)明方案所公開的技術(shù)手段不僅限于上述實(shí)施方式所公開的技術(shù)手段，還包括由以上技術(shù)特征任意組合所組成的技術(shù)方案。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也視為本發(fā)明的保護(hù)范圍。